Ergens in een laboratorium dat in niets lijkt op het atelier van een parfumeur - geen orgel met honderden bruine flesjes, geen blotters die als een papieren pauw over een bureau zijn uitgespreid, geen bevlekt leren schort dat achter de deur aan een haak hangt - is een machine een parfum aan het samenstellen. De machine ruikt niets. Ze heeft geen neus. Ze heeft geen mening over de vraag of vetiver goed samengaat met grapefruit, en ook geen instinct om te bepalen of een compositie bovenin meer lichtheid of in de basis meer warmte nodig heeft. Ze heeft data. Ongeveer vierhonderdduizend formules uit de afgelopen eeuw, gedigitaliseerd en voorzien van labels met scores uit consumentenpanels, verkoopcijfers, regionale voorkeuren en moleculaire beschrijvingen. Ze heeft een algoritme dat is getraind om statistische verbanden te herkennen tussen specifieke combinaties van ingrediënten en specifieke consumentenuitkomsten: koopintentie, waargenomen kwaliteit, emotionele associatie, waarschijnlijkheid van herhaalaankoop. En haar is gevraagd een formule te produceren die volgens elke meetbare norm optimaal zal zijn.
12 min lezen
Dat zal lukken. De formule die ze produceert, zal goed scoren in consumentenpanels. Ze zal positief worden getest bij meerdere demografische groepen. Ze zal niemand voor het hoofd stoten. Ze zal niemand in verwarring brengen. Ze zal een comfortabele, dichtbevolkte zone van de olfactorische ruimte innemen, het soort terrein dat de industrie de ‘commerciële sweet spot’ noemt en iedereen met een goed werkende neus ‘vertrouwd’. Volgens de meeste mensen die ermee in aanraking komen, zal ze volkomen in orde ruiken.
De vraag is of ‘volkomen in orde’ parfumerie is.
De toepassing van machine learning bij de ontwikkeling van parfums is geen speculatie. Ze vindt nu al plaats, op industriële schaal, binnen de onderzoeksafdelingen van de grootste geur- en smaakstoffenbedrijven ter wereld. De technologie verschilt in verfijning: sommige systemen zijn relatief eenvoudige voorspellende modellen die vervangende ingrediënten voorstellen op basis van kosten en beschikbaarheid; andere zijn diepe neurale netwerken die zijn getraind op tientallen jaren aan eigen formulegegevens, maar de onderliggende logica is in alle gevallen hetzelfde. Voer de machine een groot corpus in van bestaande formules die gekoppeld zijn aan gegevens over consumentenreacties. Laat de machine de statistische verbanden leren tussen moleculaire samenstelling en menselijke voorkeur. Vraag de machine vervolgens nieuwe formules te genereren die de waarschijnlijkheid van een gewenste consumentenuitkomst maximaliseren.
Dit is in wezen regressieanalyse toegepast op parfumerie. In geen enkele betekenisvolle zin is het creatie.
Dat onderscheid doet ertoe, en het is de moeite waard precies te zijn over waarom. Regressieanalyse, de wiskundige techniek die aan de basis ligt van de meeste vormen van machine learning, vindt de best passende lijn door een wolk van datapunten. Ze identificeert de centrale tendens. Ze vertelt je waar het gemiddelde ligt. Dat is enorm nuttig voor veel toepassingen. Als je vastgoedprijzen, consumentengedrag, ziekteverloop of verkiezingsuitslagen wilt voorspellen, vertelt het gemiddelde je veel. Maar parfumerie is geen voorspellingsprobleem. Het is, of is in elk geval historisch gezien geweest, een creatief probleem. En creatieve problemen worden niet opgelost door het centrum te vinden. Ze worden opgelost door de marge te vinden.
Elk parfum dat de industrie daadwerkelijk heeft veranderd, elke compositie die achteraf gezien een tijdperk definieerde of een nieuwe categorie opende, deed dat door af te wijken van de consensus van zijn tijd. De eerste moderne fougère was in 1882 niet wat iemand van een mannengeur verwachtte. De eerste grote aldehydische bloemengeur was in de jaren 1920 niet wat iemand van een vrouwengeur verwachtte. De eerste frisse mannengeur op basis van dihydromyrcenol en hedione was in de jaren 1980 niet wat iemand van een mannengeur verwachtte. Het eerste moleculaire clean-skin-muskparfum was begin jaren 2000 niet wat iemand van welk parfum dan ook verwachtte. In elk geval slaagde de compositie niet omdat ze bestaande voorkeuren weerspiegelde, maar omdat ze nieuwe voorkeuren creëerde. Ze vond het centrum niet. Ze verplaatste het centrum.
Een algoritme dat op historische gegevens is getraind, kan per definitie het centrum niet verplaatsen. Het kan het alleen vinden. Het kan het chirurgisch nauwkeurig vinden en formules genereren die de sweet spot innemen met een efficiëntie die geen menselijke parfumeur kan evenaren. Maar de sweet spot innemen is geen innovatie. Het is optimalisatie. En de geschiedenis van de parfumerie suggereert dat optimalisatie en innovatie niet hetzelfde zijn en elkaar misschien zelfs uitsluiten.
Er is een tegenargument, en dat verdient serieuze overweging. Het tegenargument luidt als volgt: menselijke parfumeurs zijn in zekere zin ook algoritmen. Het zijn biologische neurale netwerken die zijn getraind op een corpus van olfactorische gegevens: alles wat ze ooit hebben geroken, elke formule die ze hebben bestudeerd, elke consumentenreactie die ze in de loop van hun carrière hebben waargenomen. Hun creatieve proces is niet, zoals romantici graag geloven, een flits van inspiratie die van de muze neerdaalt. Het is patroonherkenning, recombinatie en iteratieve verfijning. De parfumeur gaat bij het orgel zitten, selecteert materialen op basis van ervaring en intuïtie, mengt een proefformule, beoordeelt die, past haar aan en beoordeelt haar opnieuw. Het proces is empirisch, niet mystiek. Als een machine dezelfde handelingen sneller en systematischer kan uitvoeren, wat gaat er dan precies verloren?
Wat verloren gaat, is de fout.
Dat klinkt paradoxaal, dus laten we precies zijn. Menselijke parfumeurs maken fouten. Ze doseren een ingrediënt te hoog en ontdekken dat die overdosis een effect veroorzaakt dat ze niet hadden voorzien en niet hadden kunnen voorspellen. Ze verontreinigen per ongeluk een proefbatch en ontdekken dat de verontreiniging iets interessants toevoegt. De geschiedenis van synthetische doorbraken in de parfumerie staat vol met zulke gelukkige botsingen. Ze lezen hun eigen aantekeningen verkeerd en combineren materialen die ze niet van plan waren te combineren, waarna het resultaat beter is dan wat ze hadden gepland. De geschiedenis van de parfumerie ligt bezaaid met zulke ongelukken: composities die hun karakter niet danken aan doelbewust ontwerp, maar aan een ongeplande botsing van materialen die een zorgvuldiger proces zou hebben voorkomen.
Een algoritme maakt deze fouten niet. Een algoritme doet precies wat het wordt opgedragen. Het optimaliseert de doelfunctie. Het volgt de gradiënt. Het belandt niet per ongeluk in onontgonnen gebied, omdat het überhaupt niet ronddwaalt. Het beweegt zich met wiskundige precisie naar het optimum. En het optimum, zoals gedefinieerd door gegevens uit consumentenpanels, is altijd het centrum. Het gemiddelde. De consensus.
Het creatieve potentieel van fouten is geen romantische fantasie. Het is een goed gedocumenteerd fenomeen in elk creatief vakgebied. De bioloog die penicilline ontdekt dankzij een besmette petrischaal. De natuurkundige die de kosmische microgolfachtergrond ontdekt dankzij onverklaarbare ruis in een antenne. De muzikant die een nieuwe harmonische taal ontdekt doordat tijdens een concert een snaar breekt en tot improvisatie dwingt. Dit zijn geen apocriefe verhalen die worden verteld om klunzen te troosten. Het zijn gedocumenteerde voorbeelden van een algemeen principe: creatieve doorbraken ontstaan vaak door afwijkingen van het plan, en systemen die zijn ontworpen om afwijkingen uit te bannen, zullen per definitie ook de mogelijkheid op de doorbraak uitbannen.
Een tweede bezwaar tegen computationele parfumerie, van meer filosofische aard, betreft de aard van voorkeur zelf.
Gegevens uit consumentenpanels, de gegevens waarop deze algoritmen worden getraind, meten uitgesproken voorkeur. Ze leggen vast wat mensen zeggen prettig te vinden wanneer het hun wordt gevraagd. Maar uitgesproken voorkeur en werkelijke voorkeur zijn niet hetzelfde. Uitgesproken voorkeur is behoudend. Wanneer mensen moeten kiezen tussen het vertrouwde en het onbekende, kiezen de meesten in de meeste situaties voor het vertrouwde. Dat is geen domheid. Het is een goed gedocumenteerde cognitieve vooringenomenheid, het mere-exposure-effect, voor het eerst beschreven door psycholoog Robert Zajonc in een baanbrekend artikel uit 1968 in het Journal of Personality and Social Psychology. Het werkt sterk bij olfactorische evaluatie, waar het ontbreken van een gedeelde woordenschat het uitzonderlijk moeilijk maakt voor consumenten om uit te leggen waarom ze iets prettig of onaangenaam vinden. Geconfronteerd met een werkelijk nieuw parfum, een parfum dat in geen enkele bestaande categorie past en in gelijke mate verwart en intrigeert, zal een consumentenpanel het vaker wel dan niet laag beoordelen. Niet omdat het parfum slecht is, maar omdat het panel geen kader heeft om het te beoordelen.
Een algoritme dat op gegevens uit consumentenpanels is getraind, erft dit conservatisme. Het leert dat nieuwigheid riskant is en vertrouwdheid veilig. Het leert dat de parfums die mensen het hoogst beoordelen, de parfums zijn die het meest lijken op parfums die ze al hoog hebben beoordeeld. Het leert, kortom, de meest fundamentele les van consumentenonderzoek: mensen houden van wat ze al prettig vinden. En het optimaliseert dienovereenkomstig.
Het resultaat is een machine die uitzonderlijk goed is in het produceren van wat de industrie ‘veilige keuzes’ noemt: parfums die niet zullen mislukken, die een minimale drempel van commerciële levensvatbaarheid zullen halen en die niemand die ze ruikt zullen verrassen, verontrusten of uitdagen. Deze parfums zullen verkopen. Sommige zullen zeer goed verkopen. Maar ze zullen de industrie niet veranderen, omdat het veranderen van de industrie vereist dat je iets produceert waarvan consumenten niet weten hoe ze het moeten beoordelen. De composities die de parfumerie veranderden, waren op het moment van hun creatie allemaal verrassingen. Het waren dingen waar niemand om had gevraagd, dingen die slecht scoorden in voorlopige tests, dingen die niet slaagden omdat de gegevens ze voorspelden, maar omdat één persoon, een parfumeur, een creatief directeur of een ondernemer, ondanks de gegevens in hen geloofde.
Een algoritme kan nergens in geloven ondanks de gegevens. Geloven ondanks de gegevens is het enige waartoe een algoritme constitutioneel niet in staat is. Een algoritme volgt de gegevens. Dat is zijn kracht en zijn beperking. En in een vakgebied waarin de belangrijkste beslissingen juist de beslissingen zijn die de gegevens tegenspreken, waarin de hele geschiedenis van creatieve vooruitgang een geschiedenis is van mensen die de consensus negeerden en gelijk kregen, is die beperking niet onbeduidend. Ze is fundamenteel.
Laat ik duidelijk zijn over wat ik niet beweer. Ik beweer niet dat kunstmatige intelligentie geen rol heeft in de parfumerie. Ze heeft duidelijke en waardevolle toepassingen. Ze kan het proces van herformulering versnellen wanneer een wetswijziging de intrekking van een beperkt ingrediënt noodzakelijk maakt. Ze kan kosteneffectieve vervangingen voorstellen die het karakter van een compositie behouden en tegelijk de prijs verlagen. Ze kan grote hoeveelheden feedbackgegevens van consumenten analyseren en trends herkennen die een menselijke analist mogelijk over het hoofd ziet. Ze kan de enorme multidimensionale ruimte van mogelijke combinaties van ingrediënten in kaart brengen en gebieden markeren die menselijke parfumeurs nog niet hebben verkend, ongeveer zoals gaschromatografie ooit formules ontcijferde die daarvoor als bedrijfsgeheimen waren afgeschermd. Dit zijn nuttige functies. Ze besparen tijd, verlagen kosten en breiden de gereedschapskist van de parfumeur uit. Geen serieus persoon heeft daar bezwaar tegen.
Wat ik wel beweer, is dat dit allemaal optimalisatiefuncties zijn. Ze maken bestaande processen efficiënter. Ze creëren niet. Het onderscheid tussen optimaliseren en creëren is niet semantisch. Het is het onderscheid tussen de beste route door een bekend landschap vinden en ontdekken dat het landschap zich buiten zijn bekende grenzen uitstrekt. Machine learning blinkt uit in het eerste. Het is structureel niet in staat tot het tweede, omdat dat per definitie vereist dat je voorbij de gegevens gaat, terwijl machine learning per definitie een methode is om patronen uit gegevens te halen.
Het enthousiasme van de parfumindustrie voor computationele hulpmiddelen is begrijpelijk. De economie van de moderne parfumerie is meedogenloos. De gemiddelde ontwikkelingstijd voor een commerciële geur is teruggebracht van jaren tot maanden. Briefings zijn strakker. Budgetten zijn kleiner. De kosten van mislukking zijn hoger. In deze omgeving is een hulpmiddel dat het aantal iteraties kan verminderen dat nodig is om een aanvaardbare formule te bereiken, buitengewoon waardevol. Maar ‘aanvaardbaar’ doet in die zin veel werk. Een aanvaardbare formule voldoet aan de briefing, scoort voldoende in tests en blijft onder het kostenplafond. Een aanvaardbare formule is geen meesterwerk. In de meeste gevallen is ze zelfs niet bijzonder interessant. Ze is adequaat. En adequaatheid is op industriële schaal de vijand van kunst.
Er is nog een laatste overweging, en die is misschien wel de verontrustendste. Hoe meer de ontwikkeling van parfums afhankelijk wordt van algoritmische hulpmiddelen die op consumentengegevens zijn getraind, hoe meer de output van de industrie naar een statistisch gemiddelde zal convergeren. Elke nieuwe AI-geoptimaliseerde formule zal per ontwerp het centrum van de voorkeursverdeling innemen. Na verloop van tijd zal het centrum zelf verschuiven, maar langzaam, omdat de output van het algoritme de voorkeuren waarop het is getraind, versterkt. Consumenten die herhaaldelijk aan AI-geoptimaliseerde parfums worden blootgesteld, zullen voorkeuren ontwikkelen die door die parfums zijn gevormd, en die voorkeuren zullen op hun beurt de trainingsgegevens voor de volgende generatie algoritmen worden. Het resultaat is een feedbacklus: de machine produceert wat mensen prettig vinden, mensen leren prettig te vinden wat de machine produceert, en de machine produceert er meer van.
Dit is geen hypothetisch scenario. Het is een nauwkeurige beschrijving van wat al is gebeurd in andere creatieve industrieën die algoritmische aanbevelings- en generatiesystemen hebben ingevoerd. Muziekstreamingplatforms, waarvan de algoritmen optimaliseren voor betrokkenheid, hebben een meetbare convergentie veroorzaakt in de klankeigenschappen van populaire muziek: luider, korter, repetitiever, met het refrein dat eerder inzet en een kleiner dynamisch bereik. Socialemediaplatforms, waarvan de algoritmen optimaliseren voor aandacht, hebben een convergentie veroorzaakt in de visuele eigenschappen van populaire content: meer verzadigd, strakker uitgesneden, emotioneel extremer. Het algoritme maakt het landschap niet opzettelijk vlak. Het maakt het vlak als bijeffect van het optimaliseren voor het gemiddelde.
Parfumerie is niet immuun voor deze dynamiek. Als de ontwikkelingspijplijn van de industrie steeds afhankelijker wordt van AI-hulpmiddelen die voor consensus optimaliseren, is een vernauwing van het olfactorische veld het onvermijdelijke resultaat. Geen vernauwing tot één parfum - de markt is daarvoor te groot en te gesegmenteerd - maar een vernauwing binnen elk segment. Frisse mannengeuren zullen convergeren. Zoete vrouwengeuren zullen convergeren. Amber-oudgeuren zullen convergeren. Elke categorie zal intern homogener worden, omdat het algoritme dat elke nieuwe introductie ontwerpt, is getraind op dezelfde gegevens die de bestaande introducties hebben voortgebracht. Het veld zal niet tot een punt vernauwen. Het zal tot een cluster vernauwen.
Of dit ertoe doet, hangt af van wat je denkt dat het doel van parfumerie is. Als het een industrie is, een bedrijfstak die consumentengoederen produceert om aan de marktvraag te voldoen, dan is optimalisatie de juiste strategie en is convergentie een aanvaardbare prijs. Consumenten krijgen wat ze willen. Bedrijven verdienen geld. Niemand klaagt.
Maar als parfumerie ook een kunst is, een creatieve discipline waarvan het doel verder reikt dan het bevredigen van bestaande voorkeuren en die nieuwe mogelijkheden van olfactorische ervaring onthult, dan is convergentie geen prijs. Het is een catastrofe. Want kunst vereist, volgens elke definitie die het verdedigen waard is, de mogelijkheid van verrassing. Ze vereist de mogelijkheid dat de volgende compositie iets zal zijn wat niemand eerder heeft geroken, iets wat geen dataset heeft voorspeld, iets wat een consumentenpanel zou hebben afgewezen omdat het in geen enkele bestaande categorie paste.
Een algoritme kan dat niet produceren. Een parfumeur wel. Niet betrouwbaar, niet consequent, niet volgens schema en niet binnen budget. Maar af en toe zal een mens die bij een orgel omringd door honderden bruine flesjes zit, tegen alle commerciële logica in en op onvoorspelbare wijze materialen combineren op een manier die geen enkele machine zou hebben voorgesteld, en het resultaat zal iets werkelijk nieuws zijn. Iets dat het centrum verplaatst in plaats van het in te nemen. Iets waarvan de gegevens zeiden dat het niet zou werken.
Deze momenten zijn zeldzaam. Ze worden zeldzamer. En als de industrie niet oppast, zullen ze volledig ophouden te bestaan, niet omdat de technologie ze verbiedt, maar omdat de economie er geen ruimte meer voor laat. De machine zal samenstellen. De machine zal optimaliseren. De machine zal parfums produceren die volkomen in orde zijn, die in elk panel goed scoren en die niemand voor het hoofd stoten.
Of dat als parfumerie telt, is een vraag die de machine niet kan beantwoorden. Daarop zal een neus het antwoord moeten geven.
Zeven extraits met 20%, één collectie. De Discovery Set brengt ze alle zeven samen in 2 ml.
